昆仑skyreels

吓哭了，明天被面试塞满了

流程走的好快timeline：3月28日被捞出来打电话约面3月30日一面3月31日二面二面后大概一两小时收到hr的口头oc~总结了下，感觉应该是实习和项目比较match部门的业务，双非找实习还是得搞一搞好的项目放简历，我已经迭代了十几次简历，从一开始很简陋的crud 组件库到现在，也算是完美地跟着小圆走了一遍找实习的辅导过程😂

1. 大语言模型的 RLHF 训练流程是什么，它存在哪些潜在风险RLHF 一般分三步。第一步是 SFT，用高质量指令数据把基座模型调成能听懂任务、按格式回答的模型。第二步是训练奖励模型，把人工偏好数据整理成 chosen 和 rejected 形式，让奖励模型学会判断两个回答哪个更好。第三步是强化学习优化，最经典的是 PPO，让当前策略在奖励更高的方向上更新，同时用 KL 约束避免模型偏离初始策略太远。它的风险主要在三个地方。第一，奖励模型可能学偏，模型最后学到的是“讨好奖励模型”而不是真正更有帮助。第二，强化学习阶段如果约束不够，模型容易出现 reward hacking，看起来分数高，但真...